基于灰色模型與神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè)

顏保凡

摘要：準(zhǔn)確把握鐵路貨運(yùn)量的變化規(guī)律，對(duì)于優(yōu)化貨運(yùn)組織提高貨運(yùn)效率具有重要意義。對(duì)此，提出了一種基于灰色模型與神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè)算法，先用傳統(tǒng)灰色預(yù)測(cè)模型對(duì)鐵路貨運(yùn)量數(shù)據(jù)進(jìn)行初步預(yù)測(cè)，然后用BP神經(jīng)網(wǎng)絡(luò)對(duì)初步預(yù)測(cè)值進(jìn)行修正。結(jié)果表明，該預(yù)測(cè)算法與實(shí)際鐵路貨運(yùn)量的相對(duì)平均誤差可控制在5%以內(nèi)，預(yù)測(cè)精度高于單一算法，可應(yīng)用于貨運(yùn)決策中廣泛存在的鐵路貨運(yùn)量趨勢(shì)分析問題。

關(guān)鍵詞：鐵路貨運(yùn)量；灰色模型；神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

中圖分類號(hào)：U294.1+3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）11-0113-01

準(zhǔn)確把握鐵路貨運(yùn)量的發(fā)展趨勢(shì)，對(duì)于國家經(jīng)濟(jì)發(fā)展與區(qū)域經(jīng)濟(jì)規(guī)劃具有重要意義。鐵路貨運(yùn)量成因眾多，一般包含經(jīng)濟(jì)因素，運(yùn)輸系統(tǒng)因素，政策因素等[1-4]。因此需要選用合適的預(yù)測(cè)方法。

當(dāng)前常用的預(yù)測(cè)方法主要包含三大類：（1）曲線擬合法；（2）灰色預(yù)測(cè)法；（3）神經(jīng)網(wǎng)絡(luò)法。由于曲線擬合法只適用于存在明顯規(guī)律的數(shù)據(jù)預(yù)測(cè)，因而不宜將其用于鐵路貨運(yùn)量預(yù)測(cè)。而單一采用灰色預(yù)測(cè)法或神經(jīng)網(wǎng)絡(luò)法也往往容易造成預(yù)測(cè)精度不高的后果，因此，本文考慮將兩種算法組合起來，先用傳統(tǒng)灰色預(yù)測(cè)模型對(duì)鐵路貨運(yùn)量數(shù)據(jù)進(jìn)行初步預(yù)測(cè)，然后用BP神經(jīng)網(wǎng)絡(luò)對(duì)初步預(yù)測(cè)值進(jìn)行修正，旨在提高鐵路貨運(yùn)量數(shù)據(jù)的預(yù)測(cè)精度。

1 灰色預(yù)測(cè)模型

根據(jù)華中科技大學(xué)鄧聚龍教授的理論，灰色預(yù)測(cè)指的是將一組時(shí)間序列樣本數(shù)據(jù)進(jìn)行累加，并對(duì)累加序列進(jìn)行最小二乘逼近，根據(jù)逼近后的數(shù)學(xué)模型建立的一種區(qū)間外序列的預(yù)測(cè)方法。若值存在一組一一對(duì)應(yīng)的數(shù)據(jù)樣本（貨運(yùn)量與時(shí)間），則該模型稱為GM（1，1）模型，該模型的基本描述如下：

4 算例分析

利用本文的模型對(duì)我國2004～2014年間的鐵路貨運(yùn)數(shù)據(jù)（數(shù)據(jù)來源：國家統(tǒng)計(jì)局網(wǎng)站http：//data.stats.gov.cn/）進(jìn)行預(yù)測(cè)，以前9組數(shù)據(jù)為訓(xùn)練樣本，后2組數(shù)據(jù)為預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖2和 表2所示。

結(jié)果表明，才有用本文預(yù)測(cè)模型對(duì)鐵路貨運(yùn)量的預(yù)測(cè)誤差均值為2.36%，預(yù)測(cè)效果良好。

5 結(jié)語

（1）建立了一種基于灰色模型和BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)算法。

（2）通過對(duì)鐵路貨運(yùn)量進(jìn)行預(yù)測(cè)，結(jié)果精度較高，表明該算法有較高的可靠度。

參考文獻(xiàn)

[1]張岄.鐵路貨運(yùn)量預(yù)測(cè)及影響因素研究[D].北京交通大學(xué)，2016.

[2]汪挺松，李曼.新亞歐大陸橋連霍段鐵路貨運(yùn)量預(yù)測(cè)研究[J].鐵道貨運(yùn)，2017（8）：24-28.

[3]袁勝強(qiáng)，鮑學(xué)英，王起才.基于馬爾科夫-Verhulst模型的鐵路貨運(yùn)量預(yù)測(cè)研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2016， 60（10）：27-30.

[4]汪挺松，李曼.新亞歐大陸橋連霍段鐵路貨運(yùn)量預(yù)測(cè)研究[J].鐵道貨運(yùn)，2017（8）：24-28.

Abstract：Accurate grasp of the change law of railway freight volume is of great significance for optimizing freight organization and improving freight transport efficiency. In this regard， a railway freight volume forecasting algorithm based on grey model and neural network is proposed. Firstly， the traditional grey prediction model is used to predict the railway freight volume data， and then the BP neural network is used to revise the preliminary prediction value. The results show that the relative average error between the prediction algorithm and the actual railway freight volume can be controlled within 5%， and the prediction accuracy is higher than the single algorithm. It can be applied to the trend analysis of railway freight volume which is widely existed in freight transportation decision-making.

Keywords： railway freight volume；grey model；neural network；predictionendprint